論文の概要: Link Prediction on N-ary Relational Data Based on Relatedness Evaluation

• arxiv url: http://arxiv.org/abs/2104.10424v1
• Date: Wed, 21 Apr 2021 09:06:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:40:19.726024
• Title: Link Prediction on N-ary Relational Data Based on Relatedness Evaluation
• Title（参考訳）: 関連性評価に基づくN-ary Relational Dataのリンク予測
• Authors: Saiping Guan, Xiaolong Jin, Jiafeng Guo, Yuanzhuo Wang, Xueqi Cheng
• Abstract要約: 我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
• 参考スコア（独自算出の注目度）: 61.61555159755858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the overwhelming popularity of Knowledge Graphs (KGs), researchers have poured attention to link prediction to fill in missing facts for a long time. However, they mainly focus on link prediction on binary relational data, where facts are usually represented as triples in the form of (head entity, relation, tail entity). In practice, n-ary relational facts are also ubiquitous. When encountering such facts, existing studies usually decompose them into triples by introducing a multitude of auxiliary virtual entities and additional triples. These conversions result in the complexity of carrying out link prediction on n-ary relational data. It has even proven that they may cause loss of structure information. To overcome these problems, in this paper, we represent each n-ary relational fact as a set of its role and role-value pairs. We then propose a method called NaLP to conduct link prediction on n-ary relational data, which explicitly models the relatedness of all the role and role-value pairs in an n-ary relational fact. We further extend NaLP by introducing type constraints of roles and role-values without any external type-specific supervision, and proposing a more reasonable negative sampling mechanism. Experimental results validate the effectiveness and merits of the proposed methods.
• Abstract（参考訳）: 知識グラフ(KG)の圧倒的な人気により、研究者は長い間、行方不明の事実を埋めるためにリンク予測に注意を払ってきた。 しかし、それらは主にバイナリリレーショナルデータにおけるリンク予測に焦点を当てており、事実は通常(ヘッドエンティティ、リレーショナル、テールエンティティ)の形でトリプルとして表現される。 実際には、n-項関係事実もユビキタスである。 このような事実に遭遇する場合、既存の研究は通常、複数の補助仮想実体と追加のトリプルを導入することでトリプルに分解する。 これらの変換は、n-aryリレーショナルデータ上でリンク予測を実行する複雑さをもたらす。 構造情報が失われる可能性があることも証明されている。 これらの問題を克服するため,本稿では,各n-項関係の事実を,その役割と役割-価値のペアの集合として表現する。 そこで我々は,n-aryリレーショナルな事実におけるすべての役割と役割-値のペアの関連性を明示的にモデル化した,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 さらに,外部の型固有の監督なしにロールとロール値の型制約を導入し,より合理的な負のサンプリング機構を提案することで,nalpをさらに拡張する。 実験の結果,提案手法の有効性と有効性について検証した。

関連論文リスト

• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Multiple Relations Classification using Imbalanced Predictions Adaptation [0.0]
  関係分類タスクは、対象物と対象物のペアに適切な意味関係を割り当てる。 現在の関係分類モデルは、1つの文で複数の関係を識別する追加の手順を用いる。 本稿では,これらの課題に対処する複数の関係分類モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-24T18:36:22Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
  帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。 実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
  論文  参考訳（メタデータ） (2022-11-22T13:30:49Z)
• A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction [22.60428265210431]
  Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。 原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。 関係情報はモデルにより明確かつ効果的に導入できると論じる。
  論文  参考訳（メタデータ） (2022-05-19T13:03:01Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。